[發明專利]基于度量學習的車削加工刀具磨損狀態監測方法

有效

• 申請號: 202010014758.6
• 申請日: 2020-01-07
• 公開（公告）號: CN111242202B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 郭保蘇;章欽;韓天杰;蔣展鵬
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 趙淑梅;李洪福

1.一種基于度量學習的車削加工刀具磨損狀態監測方法，其特征在于，該方法包括如下步驟：

步驟S1：采集車削加工刀具的磨損圖像，將采集的磨損圖像進行圖像預處理，并按比例隨機分成訓練集和測試集，其訓練集和測試集中都劃分有支持集和測試樣例集；

步驟S2：建立非參數化神經網絡模型結構，其中包括：特征提取網絡、距離度量函數和attention機制；

步驟S3：搭建特征提取網絡模型，初始化特征提取網絡模型參數、學習率和迭代步數等，并構建適合的激活函數；利用多層卷積層來提取圖像中的刀具磨損特征，再通過全連接層輸出一個尺寸為3的特征向量；這樣支持集和測試樣例就通過特征提取網絡分別得到了尺寸為3的特征向量集合和一個特征向量；

步驟S4：構建距離度量函數，分別計算測試樣例的特征向量與支持集的特征向量集合中的特征向量的距離；

步驟S5：通過attention機制得到一個向量包括了該測試樣例屬于3個類別的概率；3個類別分別為輕微磨損、中度磨損和重度磨損；

步驟S6：前向傳播計算當前的交叉熵損失并進行后向傳播計算其梯度；

步驟S7：通過梯度下降法計算參數；

步驟S8：輸入測試集，采用優化后的參數進行預測和分類辨別，并輸出預測準確率。

2.根據權利要求1所述的基于度量學習的車削加工刀具磨損狀態監測方法，其特征在于：所述步驟S1中，刀具磨損圖像分成輕微刀具磨損圖像、中度刀具磨損圖像和重度刀具磨損圖像三類，對應的標簽值采用one-hot編碼且分別為：輕微刀具磨損設為[0,0,1]，中度刀具磨損設為[0,1,0]，重度刀具磨損設為[1,0,0]；所述圖像預處理包括：重置尺寸和高斯濾波；所述的訓練集表示為X_train＝(X₁,X₂,X₃,,,,X_n)；所述的測試集表示為X_test＝(X₁,X₂,X₃,,,,X_i)；所述比例為3:2，即訓練集與測試集的比值為n:i＝3:2；其中訓練集和測試集都要劃分為支持集和測試樣例集，支持集包括了3種類別，每個類別都有同樣k個數目的樣本，其表示為測試樣例集包含了3個類別的多個樣本，其表示為測試集的劃分同訓練集。

3.根據權利要求2所述的基于度量學習的車削加工刀具磨損狀態監測方法，其特征在于：所述重置尺寸是將原圖的寬×高，通過算法統一設置成28px×28px大小，表示為(28，28)；并通過高斯濾波的方式對采集到的圖像進行降噪處理。

4.根據權利要求1所述的基于度量學習的車削加工刀具磨損狀態監測方法，其特征在于：所述步驟S2中，非參數化神經網絡模型結構是基于度量指標的數學模型；

該模型的概率表示為：其中P是非參數化的神經網絡，θ是非參數化神經網絡的參數，是的預測標簽，S是支持集；此非參數化的神經網絡是由特征提取網絡、距離度量函數、attention機制組成；特征提取網絡包括2個卷積層，2個池化層和一個扁平層，再通過全連接層來提取特征向量；此非參數化的神經網絡的輸出是屬于支持集中每個類所對應的概率。

5.根據權利要求1或4所述的基于度量學習的車削加工刀具磨損狀態監測方法，其特征在于：所述步驟S2中，距離度量函數是計算兩個向量之間的余弦距離，即分別計算測試樣例向量與支持集向量集合中每個向量的余弦距離；所述attention機制使用的是softmax層結構；通過加權平均的方式得到該測試樣例屬于每個類別對應的概率，其表示為

6.根據權利要求1所述的基于度量學習的車削加工刀具磨損狀態監測方法，其特征在于：所述步驟S3中，特征提取網絡模型的權重、偏差、迭代步數和學習率的具體初始化值為：

(1)其中n_x為圖像的維度；

(2)b＝0；

(3)α＝0.005，其中α為學習率；學習率決定更新參數的速度，如果學習率過高，可能會超過全局最優值；

(4)δ＝2000，其中δ為迭代步數。